CN114118166A - 一种基于智能频谱监测的变压器故障诊断系统及方法 - Google Patents
一种基于智能频谱监测的变压器故障诊断系统及方法 Download PDFInfo
- Publication number
- CN114118166A CN114118166A CN202111470795.9A CN202111470795A CN114118166A CN 114118166 A CN114118166 A CN 114118166A CN 202111470795 A CN202111470795 A CN 202111470795A CN 114118166 A CN114118166 A CN 114118166A
- Authority
- CN
- China
- Prior art keywords
- transformer
- network
- fault diagnosis
- fault
- discharge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明属于变压器故障诊断技术领域,公开了一种基于智能频谱监测的变压器故障诊断系统及方法,基于智能频谱监测的变压器故障诊断方法包括:将复杂的电磁辐射信号数据经过预处理后转换为能被神经网络处理的数据;利用基于人工神经网络的故障诊断模型对预处理后的变压器的故障局部放电辐射的电磁信号进行故障诊断,并得到变压器故障类型。本发明突破人工特征提取后再对采集信号进行分析的传统技术思路,运用具有监督学习能力的深度人工神经网络技术,克服传统技术需要人工检测分析、泛化能力弱等缺点,创新设计变压器故障监测的深度学习专用模型,可以对变压器的常见故障进行诊断判别。
Description
技术领域
本发明属于变压器故障诊断技术领域,尤其涉及一种基于智能频谱监测的变压器故障诊断系统及方法。
背景技术
目前,在变压器故障监测诊断方面,近年来国内外学者开展了大量关于变压器故障诊断的相关研究,根据相关文献记载,如果实时在线准确安全的监测诊断变压器的故障并及时停运处于故障状态的变压器,对降低电力系统非计划停运风险提升供电可靠性,已经成为了该领域技术攻关的难点和热点。上海电力大学于2021年构建了基于振动分析法的变压器故障诊断的方案,长沙理工大学2020年构建了基于SVM的电力变压器故障诊断方法与分析的方案;苏州大学于2019年提出了基于小波分析的变压器异常特征量的提取的方案;北京理工大学于2018年则提出了基于声发射技术的燃气调压器故障诊断的方案;在更早的2017年,华北电力大学曾利用正态云模型与改进贝叶斯分类器进行变压器的故障诊断。
这些研究成果在变压器故障诊断方面开展了有意义的探索和研究,但是由于这些研究仅建立在油气分析、红外光谱检测、电器检测、声光谱检测等层面,并未考虑变压器故障时局部放电辐射出的电磁信号这一点,其结果在普遍性、实用性、实时性和故障诊断的准确度仍有缺陷,而且不能脱离人工的操作。
通过上述分析,现有技术存在的问题及缺陷为:现有的变压器故障诊断模型诊断结果不准确,需要人工检测分析,人为的增加了停电次数和故障风险,不具备普适性,使用场景有限。
解决以上问题及缺陷的难度为:变压器长期工作于正常运行状态,难以积累大量的故障案例数据,属于典型的小样本集场景。同时,故障的发生具有随机性,案例集中不同故障的数量比例存在严重不平衡。
解决以上问题及缺陷的意义为:保证电力变压器的正常运行状态,替代传统需要人工操作的工作,实时在线诊断并及时停运处于故障状态的变压器,对降低电力系统非计划停运风险,提升供电可靠性具有重要意义。
发明内容
针对现有技术存在的问题,本发明提供了一种基于智能频谱监测的变压器故障诊断系统及方法。
本发明是这样实现的,一种基于智能频谱监测的变压器故障诊断方法,所述基于智能频谱监测的变压器故障诊断方法包括:
首先,将复杂的电磁辐射信号数据经过预处理后转换为能被神经网络处理的数据;
其次,利用基于人工神经网络的故障诊断模型对预处理后的变压器的故障局部放电辐射的电磁信号进行故障诊断,并得到变压器故障类型。
进一步,所述基于人工神经网络的故障诊断模型包括:
判别模块,用于利用GAN人工神经判别网络通过判断变压器辐射电磁信号是否异常判断变压器是否故障;
类型识别模块,用于基于ResNet人工神经特征识别网络判断变压器的故障类型。
进一步,所述ResNet人工神经特征识别网络包括:
多个卷积神经网络,用于提取窗口信号中较为复杂的局部微特征;
循环神经网络,用于提取长序列信号中的大跨度依赖特征;
通道注意力网络,用于确定变压器局部放电辐射信号相关的特征;
空间注意力网络,用于基于各级神经网络提取到的特征确定各级网络提取的输入数据中的热点区域,同时追踪多个感兴趣区域;
判别网络,用于基于所述提取的特征以及热点区域判断变压器故障类型。
进一步,所述基于智能频谱监测的变压器故障诊断方法包括以下步骤:
步骤一,利用无线电技术采集变压器局部放电辐射的电磁信号,对采集的所述电磁信号进行预处理并生成数据库;
步骤二,利用GAN人工神经判别网络基于所述预处理后的变压器辐射电磁信号判断变压器是否出现故障;
步骤三,利用基于ResNet人工神经特征识别网络基于所述变压器故障诊断结果对变压器的局部放电故障类型进行诊断。
进一步,所述变压器局部放电辐射的电磁信号包括内部放电、沿面放电、悬浮放电、油中气泡放电、油中尖板放电所辐射出的电磁信号。
进一步,步骤一中,所述采集的所述电磁信号进行预处理并生成数据库包括:
利用低信噪比通信降噪方法对捕捉到的电磁信号进行预处理,基于不同放电源及其放电谱图的形状构建变压器不同故障局部放电的数据库。
进一步,所述运用GAN人工神经判别网络中的判别器基于所述预处理后的变压器辐射电磁信号进行变压器是否故障之前还需进行:
利用生成的变压器不同故障局部放电的数据库对所述GAN人工神经判别网络进行训练,优化GAN人工神经判别网络的判别器。
进一步,所述运用ResNet人工神经判别网络基于所述判别结果对变压器的局部放电故障类型进行诊断包括:
当GAN人工神经判别网络判断所述变压器出现故障时,获取诊断故障对应的电磁信号,将所述电磁信号输入ResNet人工神经特征识别网络中进行诊断,得到变压器故障导致局部放电的具体类型。
进一步,所述变压器的局部放电故障类型包括但不限于内部放电,沿面放电,油中悬浮放电,油中气泡放电,油中尖板放电。
本发明的另一目的在于提供一种实施所述基于智能频谱监测的变压器故障诊断方法的基于智能频谱监测的变压器故障诊断系统,所述基于智能频谱监测的变压器故障诊断系统包括:
信号获取模块,用于采用联合无线电频谱监督阵列和无线电信号测向技术采集变压器故障局部放电辐射出的电磁信号;所述无线电频谱监督阵列和由若干无线电信号接收机与多相滤波接收机组成;
信号预处理模块,用于对采集的电磁信号进行预处理,将所述电磁信号转化为可被神经网络处理的数据,并构建数据库;
诊断模块构建模块,用于构建基于GAN人工神经判别网络以及ResNet人工神经特征识别网络,并进行训练优化;
故障诊断模块,用于利用构建的基于GAN人工神经判别网络以及ResNet人工神经特征识别网络基于预处理的信号数据进行对变压器故障诊断以及诊断类型确定。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于智能频谱监测的变压器故障诊断方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述基于智能频谱监测的变压器故障诊断方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明突破断电检查以及人工特征提取后再对采集信号进行分析的传统技术思路,运用采用联合无线电频谱监督阵列和无线电信号测向技术远程采集变压器局部放电辐射信号,使用具有监督学习能力的深度人工神经网络技术,克服传统技术需要人工检测分析、泛化能力弱等缺点,创新设计变压器故障监测的深度学习专用模型,可以对变压器的常见故障进行诊断判别。
本发明保证了电力变压器的正常运行状态,替代传统需要人工操作的工作,实时在线诊断并及时停运处于故障状态的变压器,对降低电力系统非计划停运风险,提升供电可靠性具有重要意义。
附图说明
图1是本发明实施例提供的基于人工神经网络的故障诊断模型原理图。
图2是本发明实施例提供的基于智能频谱监测的变压器故障诊断方法流程图。
图3是本发明实施例提供的基于智能频谱监测的变压器故障诊断系统结构示意图;
图中:1、信号获取模块;2、信号预处理模块;3、诊断模块构建模块;4、故障诊断模块。
图4是本发明实施例提供的两个不同故障引起的局部放电信号三维频谱图。
图5是本发明实施例提供的电磁辐射信号采集原理图。
图6是本发明实施例提供的ROC曲线指受试者工作特征曲线/接收器操作特性曲线(receiver operating characteristic curve)图。
图7是本发明实施例提供的电力变压器故障检测混淆矩阵图。
图8是本发明实施例提供的ResNet故障类型判别混淆矩阵图。
图9是本发明实施例提供的ResNet各故障类型判别准确率与神经网络训练迭代次数的关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于智能频谱监测的变压器故障诊断系统及方法,下面结合附图对本发明作详细的描述。
本发明实施例提供的基于智能频谱监测的变压器故障诊断方法包括:
首先,将复杂的电磁辐射信号数据经过预处理后转换为能被神经网络处理的数据;
其次,利用基于人工神经网络的故障诊断模型对预处理后的变压器的故障局部放电辐射的电磁信号进行故障诊断,并得到变压器故障类型。
如图1所示,本发明实施例提供的基于人工神经网络的故障诊断模型包括:
判别模块,用于利用GAN人工神经判别网络通过判断变压器辐射电磁信号是否异常判断变压器是否故障;
类型识别模块,用于基于ResNet人工神经特征识别网络判断变压器的故障类型。
本发明实施例提供的ResNet人工神经特征识别网络包括:
多个卷积神经网络,用于提取窗口信号中较为复杂的局部微特征;
循环神经网络,用于提取长序列信号中的大跨度依赖特征;
通道注意力网络,用于确定变压器局部放电辐射信号相关的特征;
空间注意力网络,用于基于各级神经网络提取到的特征确定各级网络提取的输入数据中的热点区域,同时追踪多个感兴趣区域;
判别网络,用于基于所述提取的特征以及热点区域判断变压器故障类型。
如图2所示,本发明实施例提供的基于智能频谱监测的变压器故障诊断方法包括以下步骤:
S101,利用无线电技术采集变压器局部放电辐射的电磁信号,对采集的所述电磁信号进行预处理并生成数据库;
S102,利用GAN人工神经判别网络基于所述预处理后的变压器辐射电磁信号判断变压器是否出现故障;
S103,利用基于ResNet人工神经特征识别网络基于所述变压器故障诊断结果对变压器的局部放电故障类型进行诊断。
本发明实施例提供的变压器局部放电辐射的电磁信号包括内部放电、沿面放电、悬浮放电、油中气泡放电、油中尖板放电所辐射出的电磁信号。
本发明实施例提供的采集的所述电磁信号进行预处理并生成数据库包括:
利用低信噪比通信降噪方法对捕捉到的电磁信号进行预处理,基于不同放电源及其放电谱图的形状构建变压器不同故障局部放电的数据库。
本发明实施例提供的运用GAN人工神经判别网络中的判别器基于所述预处理后的变压器辐射电磁信号进行变压器是否故障之前还需进行:
利用生成的变压器不同故障局部放电的数据库对所述GAN人工神经判别网络进行训练,优化GAN人工神经判别网络的判别器。
本发明实施例提供的运用ResNet人工神经判别网络基于所述判别结果对变压器的局部放电故障类型进行诊断包括:
当GAN人工神经判别网络判断所述变压器出现故障时,获取诊断故障对应的电磁信号,将所述电磁信号输入ResNet人工神经特征识别网络中进行诊断,得到变压器故障导致局部放电的具体类型。
本发明实施例提供的变压器的局部放电故障类型包括但不限于内部放电,沿面放电,油中悬浮放电,油中气泡放电,油中尖板放电。
如图3所示,本发明实施例提供的基于智能频谱监测的变压器故障诊断系统包括:
信号获取模块1,用于采用联合无线电频谱监督阵列和无线电信号测向技术采集变压器故障局部放电辐射出的电磁信号;所述无线电频谱监督阵列和由若干无线电信号接收机与多相滤波接收机组成;
信号预处理模块2,用于对采集的电磁信号进行预处理,将所述电磁信号转化为可被神经网络处理的数据,并构建数据库;
诊断模块构建模块3,用于构建基于GAN人工神经判别网络以及ResNet人工神经特征识别网络,并进行训练优化;
故障诊断模块4,用于利用构建的基于GAN人工神经判别网络以及ResNet人工神经特征识别网络基于预处理的信号数据进行对变压器故障诊断以及诊断类型确定。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1:
变压器的部分器件在故障时会产生局部放电,变压器故障时的放电辐射的电磁信号异于变压器正常工作时的电磁辐射,并且故障不同,电磁信号也会有微弱的区别。项目组分别对一个发生内部放电故障的变压器和一个发生沿面放电故障的变压器的电磁辐射稳态频谱图,通过肉眼都可以看出两幅三维频谱图的功率、相位、频率都不同,如图4所示。
变压器局部放电故障类型的多样性,导致了电磁辐射信号的频谱的多样性。由于变压器器件的电磁故障响应通常较为微弱,这导致根据电磁辐射信号诊断变压器局部放电故障的难度也大大加强。
同时,受噪声及其他干扰因素的影响,辐射电磁信号也会产生失真、被噪声淹没等现象,很难先验地直接指明某种变压器局部故障放电的辐射电磁信号在无线电信号中的存在规律和方式,故不能采用对局部放电辐射信号建立专家库的方式,来判别局部放电的故障类型。
深度学习神经网络是解决此问题的一种较为有效的方法,常用于图像分类任务。与图像识别类似,辐射源的频谱指纹与图像中的“感兴趣目标”特征筛选及提取相类似,既具有规律性,又具有一定的随机性。而捕获到的变压器局部放电的样本与图像中的“背景”一样,具有很高的复杂度与随机性。故利用课题组近几年自主开发验证过的智能模型,自动学习变压器故障导致局部放电时所包含的电磁信号频谱的分布特征,对变压器的故障进行有效判别诊断。
由于无线电信号数据与图像数据有着较大的差异性。故障导致的局部放电无线电信号数据占无线电信号的数据量的比例,远低于图像识别任务中的识别目标与背景的比例。必须设计开发用于辐射源身份判别的“专用数学模型”,如图1所示。
该模型由若干卷积神经网络和循环神经网络共同组成。其中卷积神经网络用于提取窗口信号中较为复杂的局部微特征。循环神经网络则用于提取长序列信号中的大跨度依赖特征。这些网络分别在不同的观察域和数据尺度上对输入的数据进行分级判别,并通过各域加权叠加神经网络分析给出最终判定结果。在解决故障数据量占输入数据量的比例过小的问题方面,该模型引入了多级的空间注意力机制。利用各级判别模型提取到的特征,“注意力网络”会将各级提取出的输入数据中的热点区域,供下一个级别的判别网络在更精细的尺度上进行判断,同时令注意力网络追踪多个感兴趣区域,确保辐射源身份判别准确。该模型还在空间注意力网络之前,加入了通道注意力网络,以避免局部放电故障点此辐射信号相关的特征,被淹没于判别网路提取到的海量其他特征之中,进一步降低深度网络的误判风险。
在电磁辐射信号的故障诊断判别方面,采用的思路是:首先将复杂微弱的电磁辐射信号数据转化为可以被神经网络处理的数据形式,然后利用神经网络来判别不同的电磁辐射信号的故障类型。
在电磁辐射信号捕获上,采用联合无线电频谱监督阵列和无线电信号测向技术,对电磁辐射信号进行接收,如图5所示。
无线电频谱监督阵列由若干无线电信号接收机与多相滤波接收机组成。阵列中的接收设备分别在电磁辐射信号的工作频率范围内,抽取一个较小的频率范围进行监测。在测向技术的辅助下,通过调整接收天线的指向等多种手段,尽可能提升接收到的被监测辐射源的信号强度,并滤除强度较弱的其他信号。在此条件下,当阵列中的接收设备测得足够强的信号时,即认定为要捕获的信号,并将捕获的信号数据转送至信号处理后端。
经信号处理后端的分拣和数据拼合后,将捕获信号数据转化为可以被神经网络处理的模式。利用故障诊断判别神经网络判断变压器局部放电的故障类型。
实施例2:
本发明的方法包括:
(一)是采集变压器正常工作时的电磁辐射信号,然后分别对变压器的不同器件进行处理,使其出现不同故障类型的局部放电故障,例如内部放电,沿面放电,油中悬浮放电,油中气泡放电,油中尖板放电等。分别采集不同类型的局部放电时电磁辐射信号,对数据处理后并制作数据库。
(二)是使用变压器正常工作时的电磁辐射信号数据对GAN进行预训练,用生成器不断生成越来越逼真的虚假数据的同时训练鉴别器的诊断性能,经过100个epoch后,可以看到鉴别器的诊断准确率已经达到了98.52%。
(三)是使用不同放电类型的信号数据训练ResNet的特征提取分类性能,经过100个epoch后,可以看到ResNet分类网络对变压器故障时的数据判别分类诊断准确率已经达到了96.73%。
(四)是优化多种故障模型的覆盖分析,根据数据库中建立的多种通用变压器局部放电故障模型进行故障判别分析,比对不同变压器的区别,根据精度要求,结合现场实测数据(天气、环境等)对特殊场景模型进行修正。
(五)是建立在线实时的故障监测系统,可以在线远程的监测变压器内电磁辐射信号的相位、频率、幅度等数据信息,当GAN中的鉴别器判断变压器故障时立马发出报警,同时自动向相关负责人员发送短信或者拨打电话。
下面结合具体实验对本发明的技术方案作进一步描述。
实验证明,本发明所采用的方案可以有效判别变压器局部放电故障类型。
变压器局部放电故障诊断判别指标:
(1)GAN判断变压器是否故障准确率≥98%;
(2)ResNet判断变压器故障类型的准确率≥95%。
具体包括:
ROC曲线指受试者工作特征曲线/接收器操作特性曲线(receiver operatingcharacteristic curve),是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系,它通过将连续变量设定出多个不同的临界值,从而计算出一系列敏感性和特异性,再以敏感性为纵坐标、特异性为横坐标绘制成曲线,曲线下面积越大,诊断准确性越高。在ROC曲线上,最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。如图6所示。
混淆矩阵是机器学习中总结分类模型预测结果的情形分析表,以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值,矩阵的列表示预测值。电力变压器故障检测混淆矩阵如图7所示。
如图8为ResNet故障类型判别混淆矩阵,图中故障1~6分别为绝缘内部气穴放电、悬浮放电、油中气泡放电、金属杂质或类金属杂质放电、内部放电、沿面放电。
如图9为ResNet各故障类型判别准确率与神经网络训练迭代次数的关系图,由图可见,各故障的识别准确率随着网络训练迭代逐步增加,最终均稳定在95%以上。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于智能频谱监测的变压器故障诊断方法,其特征在于,所述基于智能频谱监测的变压器故障诊断方法包括:
将复杂的电磁辐射信号数据经过预处理后转换为能被神经网络处理的数据;
利用基于人工神经网络的故障诊断模型对预处理后的变压器的故障局部放电辐射的电磁信号进行故障诊断,并得到变压器故障类型。
2.如权利要求1所述基于智能频谱监测的变压器故障诊断方法,其特征在于,所述基于人工神经网络的故障诊断模型包括:
判别模块,用于利用GAN人工神经判别网络通过判断变压器辐射电磁信号是否异常判断变压器是否故障;
类型识别模块,用于基于ResNet人工神经特征识别网络判断变压器的故障类型。
3.如权利要求2所述基于智能频谱监测的变压器故障诊断方法,其特征在于,所述ResNet人工神经特征识别网络包括:
多个卷积神经网络,用于提取窗口信号中较为复杂的局部微特征;
循环神经网络,用于提取长序列信号中的大跨度依赖特征;
通道注意力网络,用于确定变压器局部放电辐射信号相关的特征;
空间注意力网络,用于基于各级神经网络提取到的特征确定各级网络提取的输入数据中的热点区域,同时追踪多个感兴趣区域;
判别网络,用于基于所述提取的特征以及热点区域判断变压器故障类型。
4.如权利要求1所述基于智能频谱监测的变压器故障诊断方法,其特征在于,所述基于智能频谱监测的变压器故障诊断方法包括以下步骤:
步骤一,利用无线电技术采集变压器局部放电辐射的电磁信号,对采集的所述电磁信号进行预处理并生成数据库;
步骤二,利用GAN人工神经判别网络基于所述预处理后的变压器辐射电磁信号判断变压器是否出现故障;
步骤三,利用基于ResNet人工神经特征识别网络基于所述变压器故障诊断结果对变压器的局部放电故障类型进行诊断。
5.如权利要求4所述基于智能频谱监测的变压器故障诊断方法,其特征在于,所述变压器局部放电辐射的电磁信号包括内部放电、沿面放电、悬浮放电、油中气泡放电、油中尖板放电所辐射出的电磁信号。
6.如权利要求4所述基于智能频谱监测的变压器故障诊断方法,其特征在于,步骤一中,所述采集的所述电磁信号进行预处理并生成数据库包括:
利用低信噪比通信降噪方法对捕捉到的电磁信号进行预处理,基于不同放电源及其放电谱图的形状构建变压器不同故障局部放电的数据库;
所述运用GAN人工神经判别网络中的判别器基于所述预处理后的变压器辐射电磁信号进行变压器是否故障之前还需进行:
利用生成的变压器不同故障局部放电的数据库对所述GAN人工神经判别网络进行训练,优化GAN人工神经判别网络的判别器。
7.如权利要求4所述基于智能频谱监测的变压器故障诊断方法,其特征在于,所述运用ResNet人工神经判别网络基于所述判别结果对变压器的局部放电故障类型进行诊断包括:
当GAN人工神经判别网络判断所述变压器出现故障时,获取诊断故障对应的电磁信号,将所述电磁信号输入ResNet人工神经特征识别网络中进行诊断,得到变压器故障导致局部放电的具体类型;
所述变压器的局部放电故障类型包括内部放电,沿面放电,油中悬浮放电,油中气泡放电,油中尖板放电。
8.一种实施如权利要求1-7任意一项所述基于智能频谱监测的变压器故障诊断方法的基于智能频谱监测的变压器故障诊断系统,其特征在于,所述基于智能频谱监测的变压器故障诊断系统包括:
信号获取模块,用于采用联合无线电频谱监督阵列和无线电信号测向技术采集变压器故障局部放电辐射出的电磁信号;所述无线电频谱监督阵列和由若干无线电信号接收机与多相滤波接收机组成;
信号预处理模块,用于对采集的电磁信号进行预处理,将所述电磁信号转化为可被神经网络处理的数据,并构建数据库;
诊断模块构建模块,用于构建基于GAN人工神经判别网络以及ResNet人工神经特征识别网络,并进行训练优化;
故障诊断模块,用于利用构建的基于GAN人工神经判别网络以及ResNet人工神经特征识别网络基于预处理的信号数据进行对变压器故障诊断以及诊断类型确定。
9.一种信息数据处理终端,其特征在于,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-7任意一项所述基于智能频谱监测的变压器故障诊断方法。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1-7任意一项所述基于智能频谱监测的变压器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470795.9A CN114118166A (zh) | 2021-12-03 | 2021-12-03 | 一种基于智能频谱监测的变压器故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470795.9A CN114118166A (zh) | 2021-12-03 | 2021-12-03 | 一种基于智能频谱监测的变压器故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118166A true CN114118166A (zh) | 2022-03-01 |
Family
ID=80366764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470795.9A Pending CN114118166A (zh) | 2021-12-03 | 2021-12-03 | 一种基于智能频谱监测的变压器故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118166A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781760A (zh) * | 2022-06-17 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于大数据的故障预测方法 |
-
2021
- 2021-12-03 CN CN202111470795.9A patent/CN114118166A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781760A (zh) * | 2022-06-17 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于大数据的故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN103267932B (zh) | 一种gis局部放电检测系统及方法 | |
CN105606977B (zh) | 基于分层规则推理的局部放电prps图谱识别方法及系统 | |
CN103398769A (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN109443190A (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
CN109239553A (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
CN106443238B (zh) | 高压设备状态评估方法、在线监测装置评估方法及装置 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN110208658B (zh) | 一种对局部放电诊断结果进行多元互补交叉验证的方法 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |